微软开源 TinyTroupe：基于 LLM 的多智能体角色模拟框架

微软近期开源了 TinyTroupe，这是一个由大语言模型（LLM）驱动的 Multi-Agent 角色模拟 项目。该项目的核心目标是增强人类的想象力与商业洞察力，通过模拟具有特定个性、兴趣和目标的虚拟人物（TinyPerson），在模拟的 TinyWorld 环境中进行交互。

1. 项目概述与应用场景

TinyTroupe 允许开发者构建和模拟具有复杂行为模式的智能体。这些智能体不仅能听指令说话，还能彼此交流，并在特定的环境设定下生活和工作。这种能力为多个领域提供了新的解决方案：

1.1 典型应用场景

广告评估：在投入预算前，TinyTroupe 可以模拟目标受众群体，离线评估数字广告（如 Bing 广告）的效果，从而降低试错成本。
软件测试：系统测试人员可以利用 TinyTroupe 生成多样化的测试输入，针对搜索引擎、聊天机器人或副驾驶系统进行压力测试和结果评估。
培训与数据探索：生成逼真的合成数据，用于训练其他 AI 模型或进行机会分析，解决真实数据隐私不足的问题。
产品与项目管理：阅读项目提案后，从医生、律师、知识工作者等不同角色的角度提供反馈，模拟用户评审过程。
头脑风暴：模拟焦点小组讨论，以较低的成本获取高质量的产品反馈和创新点子。

2. 核心示例解析

为了展示 TinyTroupe 的实际能力，官方提供了三个典型的 Jupyter Notebook 示例。

2.1 示例一：客户访谈

此场景模拟了一位商业顾问与一位银行家之间的对话。系统初始化后，顾问会主动发起询问，深入挖掘信息，直到收集到足够的具体项目想法为止。

# 伪代码逻辑示意
from tinytroupe.examples import create_lisa_the_data_scientist

lisa = create_lisa_the_data_scientist()
lisa.listen_and_act("告诉我关于你的生活。")

对话可以进行多个步骤，Agent 会根据预设的性格和背景自动调整回复策略，模拟真实的访谈深度。

2.2 示例二：电视广告评估

在此场景中，系统需要评估多个在线广告选项并选择最佳方案。TinyTroupe 可以运行多个 Agent 对广告内容进行评价。

关键优势在于自动化聚合：不需要人工阅读每个 Agent 的详细评论，系统可以直接提取每个 Agent 的选择偏好，并以编程方式计算总体偏好得分。

2.3 示例三：产品头脑风暴

这是一个焦点小组场景，旨在为 Microsoft Word 构思新的 AI 功能。与单独与每个 Agent 互动不同，这里的关键是操纵环境让 Agent 之间相互互动。

运行模拟后，结果可以被提取为机器可读的格式，便于后续的报告生成器或其他工具重用。这展示了多智能体协作产生结构化输出的能力。

3. 核心理念：模拟人而非助手

一个常见的误解是认为所有 AI 代理都旨在协助人类。TinyTroupe 的目标更为深远——模拟并帮助理解人。

传统 AI 助手：以人类为中心，听从指令，完成任务。
TinyTroupe 智能体：以自我为中心，拥有独立的目标、性格和环境感知，旨在模拟真实的人类社会互动。

这种差异使得 TinyTroupe 更适合用于社会学研究、市场心理分析和复杂系统的推演。

4. 项目架构与结构

TinyTroupe 的项目结构清晰，主要包含以下部分：

/tinytroupe：Python 库的核心实现。
- /prompts：包含调用 LLMs 的提示词模板。
/tests：单元测试文件，可通过 test.bat 脚本运行。
/examples：使用 Jupyter 笔记本或纯 Python 脚本展示的用法示例。
/data：示例或库运行所需的数据集。
/docs：项目文档说明。

5. 核心抽象：TinyPerson 与 TinyWorld

与任何 Multi-Agent 系统一样，TinyTroupe 提供了两个关键抽象层。

5.1 TinyPerson（智能体）

TinyPerson 是具有个性、能接收刺激并做出反应的 Agent。它包含记忆、目标、性格特征等属性。

定义自定义 Agent

开发者可以使用预定义的构建器，也可以从头开始定义自己的 Agent。

from tinytroupe.persona import TinyPerson

lisa = TinyPerson("Lisa")
lisa.define("age", 28)
lisa.define("nationality", "Canadian")
lisa.define("occupation", "Data Scientist")
lisa.define("routine", "每天早晨，你醒来，做一些瑜伽，然后查看你的电子邮件。", group="routines")
lisa.define("occupation_description", 
            """
            你是一名数据科学家。你在微软工作，专注于数据分析与模型优化。
            """)
lisa.define_several("personality_traits",
                    [
                        {"trait": "你对新事物充满好奇，喜欢学习新事物。"},
                        {"trait": "你分析性强，喜欢解决问题。"},
                        {"trait": "你友好，喜欢与他人合作。"},
                    ])

此外，TinyTroupe 还提供了 TinyPersonFactory 类，利用 LLM 自动生成 Agent 规范，进一步简化创建过程。

from tinytroupe.factory import TinyPersonFactory

factory = TinyPersonFactory("圣保罗的一家医院。")
person = factory.generate_person("创建一个喜欢宠物、大自然和重金属音乐的巴西医生。")

5.2 TinyWorld（环境）

TinyWorld 是 Agent 存在和互动的环境基类。它管理 Agent 之间的消息传递和状态同步。

运行模拟

以下示例展示了如何在聊天室环境中让数据科学家 Lisa 和建筑师 Oscar 进行对话。

world = TinyWorld("聊天室", [lisa, oscar])
world.make_everyone_accessible()
lisa.listen("和 Oscar 谈谈以更多了解他")
world.run(4) # 运行 4 个时间步

系统会输出详细的对话日志，包括每个 Agent 的思考过程（Thought）、行动（Act）以及最终发出的消息（Conversation）。

6. 技术实现细节

6.1 提示词工程

TinyTroupe 的成功很大程度上依赖于精心设计的提示词（Prompts）。每个 Agent 的行为都由其背后的 LLM 根据当前上下文和预设规则生成。系统内部维护了一套复杂的 Prompt 模板，确保 Agent 在保持人设的同时能够遵循任务指令。

6.2 循环执行机制

模拟过程通常采用循环执行机制。在每个时间步（Step）中：

环境向所有 Agent 广播当前状态。
每个 Agent 根据记忆和感知生成思考内容。
Agent 决定采取的行动（如说话、移动、修改对象）。
环境更新状态并记录日志。

这种机制允许模拟出动态变化的社会场景，而不仅仅是静态的问答。

7. 部署与扩展

7.1 本地部署

开发者可以通过 pip 安装相关依赖，并在本地 Jupyter 环境中运行示例。由于涉及 LLM 调用，建议配置好相应的 API Key 或使用本地部署的模型服务。

7.2 扩展性

TinyTroupe 的设计支持高度扩展。开发者可以：

替换底层的 LLM 后端。
自定义 Agent 的属性定义接口。
编写自定义的 World 子类以适应特定物理或逻辑环境。

8. 总结与展望

微软开源的 TinyTroupe 为多智能体系统研究提供了一个轻量级且灵活的框架。它不仅展示了 LLM 在角色扮演方面的潜力，也为商业决策、产品设计和学术研究提供了新的工具。通过模拟真实的人类行为模式，TinyTroupe 帮助我们在虚拟世界中验证假设，降低现实世界的风险。

未来，随着多模态能力的增强，TinyTroupe 有望整合视觉、语音等多种交互方式，构建更加沉浸式的虚拟世界体验。对于开发者而言，掌握此类框架将是构建下一代 AI 应用的关键技能之一。

参考资源：

GitHub 仓库：https://github.com/microsoft/TinyTroupe
官方文档与示例代码请查阅上述链接。